L’AI è già utilizzata attivamente dal 77% delle organizzazioni, ma dietro questo dato sull’adozione emerge una difficoltà meno visibile. Nell’ultimo anno il 95% delle imprese intervistate ha dovuto ritardare o cancellare almeno un’iniziativa di intelligenza artificiale per problemi riconducibili a data governance dei dati, compliance o regolamentazione. Più della metà, il 55%, ne ha fermate o rinviate più di sei.
Sono alcuni dei risultati di The Great AI Re-Architecture, indagine commissionata da Cloudera a Wakefield Research e condotta su 1.500 Enterprise Architect, Cloud Infrastructure Lead e Data Architect in nove mercati delle Americhe, EMEA e APAC.
Portare un modello AI in azienda e riuscire a sostenerlo su scala sono ormai due problemi distinti. Il secondo investe architettura, collocazione dei dati, costi, sicurezza e capacità di applicare regole uniformi ad ambienti differenti.
Indice degli argomenti
Le modifiche reattive cominciano a mostrare i propri limiti
La prima risposta delle imprese all’AI è stata spesso quella più immediata: modificare ciò che già esisteva. Tre intervistati su quattro, il 75%, dichiarano che le integrazioni AI hanno già cambiato le pratiche di archiviazione e l’architettura dati della propria organizzazione.
Secondo la lettura proposta da Cloudera, tuttavia, molti di questi interventi sono stati reattivi e incrementali, dettati dalle esigenze operative più che da una riprogettazione complessiva. Il risultato? L’84% degli intervistati segnala un aumento dei costi infrastrutturali associato ai workload AI. E il 72% ritiene ormai necessaria una revisione profonda dell’architettura dati per affrontare gli ostacoli attuali e le esigenze future dell’intelligenza artificiale.
«L’attuale era dell’AI sta spingendo le organizzazioni a ripensare la propria infrastruttura tecnologica dalle basi. Molte imprese stanno scoprendo che le architetture costruite per l’analisi tradizionale non sono state progettate per la scala, la governance e la flessibilità che l’AI richiede oggi», afferma Sergio Gago, Chief Technology Officer di Cloudera.
Il collo di bottiglia si sposta sulla governance dei dati
Tra i risultati dell’indagine, quelli sulla governance aiutano a capire perché alcuni progetti si arrestino anche quando capacità di calcolo e modelli sono disponibili.
Il 73% degli intervistati afferma che l’AI ha reso la data governance più complessa. Il dato si accompagna al già citato 55% di organizzazioni che, in dodici mesi, hanno ritardato o cancellato più di sei progetti a causa di governance, compliance o requisiti normativi.
Cloudera collega questi risultati a una precedente rilevazione, il Data Readiness Index, secondo la quale il 75% delle organizzazioni riteneva che l’AI stesse facendo emergere i limiti dei processi di governance legacy. La nuova indagine segnala dunque una pressione che cresce insieme alla diffusione dei casi d’uso.
C’è poi un elemento fisico del problema. Il 97% del campione dichiara di spostare dati tra ambienti almeno una volta al mese. I confini da governare comprendono cloud pubblico, cloud privato, infrastrutture on-premises ed edge.
Per i team IT, la frammentazione rende più difficile applicare in maniera coerente controlli di accesso, policy e requisiti di compliance. L’AI amplifica questa difficoltà perché aumenta la quantità e la varietà dei dati utilizzabili dai sistemi e moltiplica le occasioni nelle quali quei dati devono essere resi disponibili a workload collocati in ambienti differenti.
La governance, quindi, entra direttamente nelle decisioni di architettura. Se una policy funziona soltanto all’interno di uno specifico ambiente, ogni spostamento di dati o workload può introdurre un nuovo passaggio operativo e un ulteriore punto da controllare.
Il ritorno verso il cloud privato e l’on-prem
Un altro risultato mette in discussione l’idea di una traiettoria infrastrutturale a senso unico verso il cloud pubblico. Il 66% delle organizzazioni intervistate dichiara di avere riportato workload AI dal public cloud verso cloud privati o infrastrutture on-premises nell’ultimo anno.
Il comunicato interpreta il fenomeno come parte di un movimento verso architetture ibride, nelle quali i workload vengono collocati dove possono offrire le prestazioni più appropriate.
Anche le intenzioni di investimento vanno in questa direzione. Le organizzazioni dichiarano di voler distribuire gli investimenti tra cloud, on-premises, edge e ambienti ibridi; il 25% prevede un approccio “hybrid-first” nei prossimi due anni.
Per l’IT significa aggiungere una variabile alle tradizionali decisioni make-or-buy e cloud-or-on-premises: uno stesso portafoglio AI può richiedere collocazioni diverse a seconda dei dati coinvolti, dei vincoli normativi, delle prestazioni richieste e della struttura dei costi.
Dalla corsa ai casi d’uso alla revisione dell’architettura
Cloudera definisce questa fase The Great AI Re-Architecture: il passaggio dalle architetture legacy a infrastrutture ibride capaci di eseguire workload AI sui dati indipendentemente dal luogo in cui risiedono.
Il 77% usa già l’AI. Il 75% ha già modificato storage e architettura. L’84% vede crescere i costi infrastrutturali. Il 72% considera necessaria una revisione profonda. E il 95% ha già sperimentato ritardi o cancellazioni legati a governance, compliance o normativa.
I numeri raccontano che le imprese non stanno aspettando un’architettura ideale prima di adottare l’intelligenza artificiale. La stanno costruendo mentre i progetti sono già in produzione o chiedono di entrarvi.
Il che porta a un altro problema: sapere quanti progetti AI avviare dice poco sulla capacità dell’impresa di sostenerli. Più indicativo potrebbe essere chiedere quanti workload possono passare dal prototipo alla produzione rispettando costi, policy e requisiti normativi senza richiedere ogni volta un’eccezione infrastrutturale.
Se più della metà delle organizzazioni ha già rinviato o cancellato oltre sei progetti in dodici mesi per problemi di governance, compliance o normativa, quel numero rischia di diventare una misura indiretta del debito architetturale accumulato. E per un CIO potrebbe essere un indicatore assai più utile del semplice conteggio dei progetti AI avviati.
Partecipa alla community